基于機(jī)器學(xué)習(xí)的遙感影像分類方法研究

1.1 基本概念
1.1.1 土地覆蓋
1.1.2 遙感技術(shù)
1.1.3 機(jī)器學(xué)習(xí)
1.2 研究意義
1.2.1 豐富土地覆蓋遙感分類的理論與方法
1.2.2 為土地利用/覆蓋的動態(tài)監(jiān)測、保護(hù)和管理提供技術(shù)支持
1.2.3 一種新的自適應(yīng)半監(jiān)督支持向量機(jī)遙感分類模型的提出
1.2.4 半監(jiān)督學(xué)習(xí)思想和集成學(xué)習(xí)思想的融合
1.3 本書研究方法及結(jié)構(gòu)安排
1.3.1 研究方法
1.3.2 結(jié)構(gòu)安排
參考文獻(xiàn)
第2章 關(guān)鍵技術(shù)國內(nèi)外研究現(xiàn)狀
2.1 遙感影像信息提取方法
2.2 svm遙感分類研究進(jìn)展
2.2.1 svm在遙感分類中的優(yōu)點(diǎn)
2.2.2 svm在遙感影像分類中的不足
2.2.3 svm在遙感影像分類中的應(yīng)用領(lǐng)域
2.3 半監(jiān)督學(xué)習(xí)理論及研究進(jìn)展
2.4 半監(jiān)督分類中的聚類算法
2.5 集成學(xué)習(xí)理論及研究進(jìn)展
參考文獻(xiàn)
第3章 遙感圖像數(shù)字化
3.1 研究區(qū)位置及遙感影像集
3.1.1 研究區(qū)位置
3.1.2 研究區(qū)影像集
3.1.3 分類體系的建立
3.2 遙感影像數(shù)字集
3.2.1 樣本采集
3.2.2 特征選取
3.3 本章小結(jié)
參考文獻(xiàn)
第4章 svm參數(shù)優(yōu)化方法研究
4.1 svm理論及參數(shù)優(yōu)化算法研究進(jìn)展
4.1.1 svm的核心思想
4.1.2 svm理論
4.1.3 svm參數(shù)優(yōu)化方法研究進(jìn)展
4.2 基于自適應(yīng)變異粒子群參數(shù)優(yōu)化的土地覆蓋分類模型
4.2.1 傳統(tǒng)粒子群算法（pso）
4.2.2 自適應(yīng)變異粒子群優(yōu)化算法（ampso）
4.2.3 土地覆蓋分類模型構(gòu)建
4.3 實(shí)驗(yàn)結(jié)果與分析
4.3.1 實(shí)驗(yàn)影像選取
4.3.2 特征選取及樣本集表示
4.3.3 核函數(shù)的選取
4.3.4 實(shí)驗(yàn)參數(shù)及精度評價指標(biāo)
4.3.5 實(shí)驗(yàn)結(jié)果與比較
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 基于模糊聚類的半監(jiān)督支持向量機(jī)土地覆蓋分類方法研究
5.1 概述
5.2 自訓(xùn)練半監(jiān)督學(xué)習(xí)
5.2.1 無標(biāo)簽樣本的重要性
5.2.2 自訓(xùn)練半監(jiān)督算法
5.3 模糊聚類理論
5.3.1 聚類的概念
5.3.2 常用聚類算法
5.3.3 聚類有效性驗(yàn)證
5.4 一種新的自訓(xùn)練半監(jiān)督支持向量機(jī)分類模型構(gòu)建
5.4.1 未標(biāo)記樣本的選擇依據(jù)
5.4.2 基于gkclust的自訓(xùn)練半監(jiān)督支持向量機(jī)設(shè)計(jì)流程
5.4.3 基于gkclust的自訓(xùn)練半監(jiān)督支持向量機(jī)算法
5.5 實(shí)驗(yàn)結(jié)果與分析
5.5.1 遙感影像數(shù)字化
5.5.2 參數(shù)設(shè)置
5.5.3 模糊聚類算法的比較
5.5.4 無標(biāo)簽樣本的參與比例
5.5.5 土地覆蓋遙感圖像分類
5.6 本章小結(jié)
參考文獻(xiàn)
第6章 基于半監(jiān)督集成支持向量機(jī)的土地覆蓋分類研究
6.1 概述
6.2 集成學(xué)習(xí)框架
6.2.1 個體生成方法
6.2.2 結(jié)論生成方法
6.3 半監(jiān)督集成支持向量機(jī)的土地覆蓋分類模型構(gòu)建
6.3.1 個體生成算法
6.3.2 結(jié)論生成算法
6.4 實(shí)驗(yàn)結(jié)果與分析
6.4.1 實(shí)驗(yàn)數(shù)據(jù)
6.4.2 結(jié)果與精度分析
6.5 本章小結(jié)
參考文獻(xiàn)
第7章 總結(jié)與展望
7.1 研究結(jié)論
7.2 本書不足之處
7.3 研究展望